OCR 书籍精校与阅读站

把扫描书籍的 OCR 结果，从「能看出是什么字」提升到「可以当正式文本读」，并交付本地网页。

v2.1 在 v2 流水线之上，新增两条能力：
- ⑥ 自动图表/照片裁切：当整本书每页都是一张满版扫描图、正文与图表混排时，用 OpenCV 把页内真实的图（曲线图/示意图/照片）抠出来，单独存 figures/，并把 bbox 写回 JSON。
- ⑦ 静态对照校对网页：零后端、单个自包含 HTML，左图（原扫描页）右文（OCR 文本），下方是裁切出的图，支持翻页/跳页/章节目录/搜索/标记问题，供人眼逐页校对。

> 两种书型请选对流水线：
> - 图文分页型（如《88个最高效记忆方法》）：有整页纯插图页，用 ③ 插图分类把文本页扫描图归档，阅读站只显插图页。
> - 满版扫描混排型（如《储能原理与技术》）：每页都是满版扫描、正文里嵌图，用 ⑥ 裁切把图抠出来，再用 ⑦ 校对网页逐页对照。

何时使用

• 手头有整本书的扫描 PDF（每页是扫描图、原文件无文字层）
• 需要批量修正识别错误、补缺字、理顺被打乱的语序
• 想要一个能对照原扫描页、边读边改并落库的校对器（⑦ 静态网页，或 v1 服务端版），或一个能连续滚动、带目录/方法/关键词跳转、可记录阅读进度的阅读站（⑤）

整体架构（流水线）

扫描PDF ──①抽取──▶ text.json（每页 text + images[满版扫描相对路径]）
       ──②校正──▶ 原地校正 text + corrections_log.json（审计）
       ──③插图分类──▶ 仅保留纯插图/照片页，文本页图归档（图文分页型用）
       ──⑥图表裁切──▶ 从满版扫描抠出真实图 → figures/ + JSON.figures（混排型用）
       ──④目录重建──▶ 解析目录页 → data.js.toc（可跳转）
       ──⑤阅读站──▶ index.html + data.js + app.js（连续滚动阅读）
       ──⑦静态校对网页──▶ proofreader.html（自包含，左图右文+裁切图，零后端）

关键设计：② 可以反复重跑而不会丢失人工成果——若采用「text 不可变 + corrected_text + proofed」模型，重跑时先保留 proofed=true 的页。本次对话为求简单采用了「原地改 text + corrections_log.json 审计」，阅读站/校对网页无需选字段。

环境与解释器（血泪陷阱）

• 固定并隔离解释器：用 managed Python 3.13 建 venv，全程锁定，不要中途换。

bash C:/Users/wingstan/.workbuddy/binaries/python/versions/3.13.12/python.exe -m venv C:/Users/wingstan/.workbuddy/binaries/python/envs/default C:/Users/wingstan/.workbuddy/binaries/python/envs/default/Scripts/python.exe -m pip install --timeout 120 pymupdf rapidocr-onnxruntime pillow opencv-python-headless numpy

> 本次《储能》对话用的是 Python 3.12（C:\Python312\python.exe），opencv/numpy/rapidocr/pymupdf 装在同目录 pkgs312。两种都行；⑥ 图表裁切只需 opencv-python-headless + numpy，与抽取解释器可共用。

• Git Bash 下的路径必须用正斜杠：反斜杠会被 shell 吞掉，C:\Users\... 变成 C:Users... 导致 command not found。统一写 C:/Users/... 或 /c/Users/...。

• pip 偶尔断 / 升级会把自己搞坏：网络不稳加 --timeout；若 pip 损坏用 python -m ensurepip --upgrade 救回，再重装目标包。

• RapidOCR 模型内置，装完即可用，CPU 友好（每页 ~4–7s）。校验是否加载：from rapidocr_onnxruntime import RapidOCR; RapidOCR()。

• opencc 仅「繁→简」需要：本次是简体书，未用；繁体书先在抽取前转换。

• PDF 渲染依赖 PyMuPDF（import fitz）：缺它时优雅降级，关闭扫描页对照，其余照常。

• ⚠️ OpenCV 中文路径陷阱（⑥ 必踩）：cv2.imread(path) / cv2.imwrite(path, img) 在含中文的路径上会静默返回 None / 不写文件，且不抛错，极难排查（表现为「0 张裁切 / 读不到图」）。必须改用 cv2.imdecode / cv2.imencode：

```python
import numpy as np, cv2

def imread_cn(path):
# 用 numpy 读字节再 decode，绕过 cv2.imread 的中文路径 bug
with open(path, "rb") as f:
buf = np.frombuffer(f.read(), dtype=np.uint8)
return cv2.imdecode(buf, cv2.IMREAD_COLOR)

def imwrite_cn(path, img):
ok, arr = cv2.imencode(".png", img)
if not ok:
raise IOError("imencode failed: " + path)
with open(path, "wb") as f:
f.write(arr.tobytes())
return True
```

满版扫描图、裁切输出都在中文目录（如 E:/学习/.../extracted/）时，全程用这两个函数，不要碰 cv2.imread/imwrite。

① 抽取（extract_pdf.py 核心）

扫描 PDF 每页是一张嵌入图，无文字层。流程：取每页嵌入图 → RapidOCR 识别 → 过滤页脚水印 → 写出 JSON → 导出该页图为 images/page_NNN.jpg（混排型保留全部页扫描；图文分页型见 ③）。

import fitz, json, re
from rapidocr_onnxruntime import RapidOCR
engine = RapidOCR()
WATERMARK = ("慧眼看", "huiyankan")   # 推广水印，识别时剔除

for i, page in enumerate(doc, start=1):
    imgs = page.get_images(full=True)
    xref = imgs[0][0]
    raw = doc.extract_image(xref)["image"]      # 整页扫描图 bytes
    # 存为满版扫描（混排型：每页都留，供 ⑥ 裁切 / ⑦ 对照）
    open(f"images/page_{i:03d}.jpg", "wb").write(raw)
    # OCR
    result, _ = engine(raw)                      # result: [[box, text, score], ...]
    if result:
        lines = [r[1] for r in result
                 if not any(w in r[1] for w in WATERMARK)]
        text = "\n".join(lines)
    else:
        text = ""
    out["pages"].append({
        "page": i,
        "text": text,
        "images": [f"images/page_{i:03d}.jpg"],   # 满版扫描列表
        "figures": []                              # ⑥ 裁切后填充
    })

断点续跑 + 原子写：每页处理完即把整个 JSON 以 tmp 写出再 os.replace 覆盖，脚本被杀可重跑跳过已完成页（用 page 去重）。

注意：个别页（如末页）可能无嵌入图，直接渲染高分辨率 page.get_pixmap(matrix=fitz.Matrix(2,2)) 补全，保证「页数 ↔ 插图数」一致。

② 规则校正（correct_and_restructure.py）

三件一起做：去前 N 页、词典替换、插图重分类（图文分页型），并产出 corrections_log.json。

REMOVE_FIRST = 3   # 去原 PDF 前3页（封面/版权/目录前页）
CORRECTIONS = [
    ("记亿","记忆"),("印像","印象"),("自已","自己"),("己经","已经"),
    ("商费","商界"),("疲您","疲惫"),("周未","周末"),("知到","知道"),("眼晴","眼睛"),
    ("深人","深入"),("投人","投入"),("若千","若干"),("时侯","时候"),("究竞","究竟"),
    ("毕竞","毕竟"),("身休","身体"),("感概","感慨"),("连想","联想"),("现像","现象"),
    ("部份","部分"),("形像","形象"),("对像","对象"),("凭藉","凭借"),("决对","绝对"),
    ("上牛","上午"),("下牛","下午"),("中牛","中午"),("膏盲","膏肓"),("慷概","慷慨"),
    ("色采","色彩"),("精采","精彩"),("布骤","步骤"),("关连","关联"),("连系","联系"),
    # …… 共约 60 条短语级高置信度混淆对
]
# 按长度降序，优先替换较长短语，避免被短词部分命中
CORRECTIONS.sort(key=lambda x: -len(x[0]))
COMP = [(w, re.compile(re.escape(w)), r) for w, r in CORRECTIONS]

log = []
for pg in pages:
    t = pg["text"]
    if not t.strip(): continue
    new = t
    for w, rx, r in COMP:
        if w in new:
            idx = new.find(w)
            ctx = new[max(0,idx-12):idx+len(w)+12].replace("\n"," ")
            log.append({"page": pg["page"], "wrong": w, "right": r, "context": ctx})
            new = new.replace(w, r)
    pg["text"] = new

# 去前 N 页 + 重新顺序编号
pages = [p for p in pages if p["page"] > REMOVE_FIRST]
for i, p in enumerate(pages, start=1): p["page"] = i

词典选型原则：只收「wrong 几乎从不作为正确词出现」的短语级混淆对，避免误改正确用词（详见下方「四条铁律」）。输出 corrections_log.json 供逐条复核。混排型（⑥）通常不做 ③ 的插图归档，保留 images 作对照底图。

数据结构约定

源：text.json（混排型推荐，满版扫描全留 + 裁切图）

{
  "source_file": "储能原理与技术 扫描版.pdf",
  "page_count": 310,
  "pages": [
    {
      "page": 1,
      "text": "OCR 文本…",
      "images": ["images/page_0001_img_001.jpeg"],
      "figures": [
        {"path": "figures/page_0001_fig_001.png", "bbox": [72, 152, 297, 377], "caption": null}
      ]
    }
  ]
}

• images：列表，存该页满版扫描相对路径（混排型每页都有，供 ⑦ 对照）。
• figures：⑥ 裁切后填充，元素为 {path(相对), bbox[x1,y1,x2,y2](原图像素), caption(可空)}。

变体（图文分页型，image 单数）

{ "page": 1, "text": "OCR 文本…", "image": "images/page_001.jpg" }

文本页 image 置空、整页扫描移入 images/_archive_textpages/（见 ③）。两种模型皆可，按书型取舍；⑥⑦ 流水线统一用上面的列表模型。

内嵌：data.js（避免 file:// 跨域，阅读站直接 <script> 引入）

window.BOOK_DATA = {
  "meta": { "title": "…", "author": "…", "page_count": 310 },
  "chapters": [ { "num": 1, "page": 10, "title": "第1章 绪论…" } ],
  "methods":  [ { "name": "联想记忆法", "page": 26 } ],
  "tocPages": [4,5,6,7,8],
  "toc": [ { "title": "第1章 …", "target": 10,
             "methods": [ { "name":"…", "desc":"…", "page_label":2, "target":10 } ] } ],
  "pages": [ { "page": 1, "text": "…", "images": ["images/page_001.jpg"], "figures": [] } ]
};

推荐模型（健壮，支持 idempotent 重跑）：保留原始 OCR 于 text（只读基准），校正结果写 corrected_text，人工已校页标 proofed=true。阅读站读 corrected_text || text。本次对话为简洁采用「原地改 text + corrections_log.json 审计轨迹」，二者皆可。

③ 插图分类规则（图文分页型）

• 保留：校正后 text 仍为空（无文字）的页 = 纯插图/照片页。
• 归档：文本页的整页扫描图（只是内容扫描，并非插图）→ image 置空，图片移入 images/_archive_textpages/（可恢复，不永久删）。
• 这样阅读站只在真正插图页显示图，文本页不显示「整页扫描」。
• 混排型（⑥⑦）跳过本步，保留全部 images 作对照底图。

⑥ 自动图表/照片裁切（混排型核心）

目标：从满版扫描图中，把页内真实的图（曲线图、示意图、框图、照片）抠出来，过滤掉正文段落、标题、页眉页脚。输出 figures/page_{page:04d}_fig_{idx:03d}.png，并把 {path,bbox,caption} 写回 text.json 的 figures。

算法（crop_figures_v2.py 核心）

两路检测 + 合并 + 抑制文本：

import cv2, numpy as np, json

def detect_figures(gray):
    h, w = gray.shape
    page_area = h * w
    # —— 行图画（线图/框图）：OTSU 二值 + 形态学闭 → 连通域
    _, bin_ = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    k_close = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 15))
    bin_ = cv2.morphologyEx(bin_, cv2.MORPH_CLOSE, k_close, iterations=2)
    bin_ = cv2.morphologyEx(bin_, cv2.MORPH_OPEN, (3,3), iterations=1)
    # —— 照片（连续调）：灰度落在 [30,220] 的掩膜
    photo = cv2.inRange(gray, 30, 220)
    photo = cv2.morphologyEx(photo, cv2.MORPH_CLOSE, (25,25), iterations=2)
    photo = cv2.morphologyEx(photo, cv2.MORPH_OPEN, (5,5), iterations=1)

    # 行高估计（用 OTSU 连通域里「瘦高、面积适中」的块）
    n, _, stats, _ = cv2.connectedComponentsWithStats(bin_, 8)
    chs = [s for s in stats[1:] if 20 <= s[cv2.CC_STAT_AREA] <= 2500
           and 12 <= s[cv2.CC_STAT_HEIGHT] <= 80
           and 0.25 <= s[cv2.CC_STAT_WIDTH]/max(1,s[cv2.CC_STAT_HEIGHT]) <= 8]
    line_height = int(np.median([c[cv2.CC_STAT_HEIGHT] for c in chs]) * 2.3) if chs else int(h*0.03)

    cand = []   # 候选框 [x1,y1,x2,y2]
    # 行图画块
    n, _, stats, _ = cv2.connectedComponentsWithStats(bin_, 8)
    for s in stats[1:]:
        x,y,bw,bh,a = s[:cv2.CC_STAT_AREA+1]
        fill = a / (bw*bh)
        aspect = bw/bh
        if fill < 0.08 and aspect > 1.4 and a > page_area*0.018:   # 文本块，丢弃
            continue
        if fill < 0.08 and a > page_area*0.12 and bh > line_height*2.5:  # 大标题，丢弃
            continue
        if fill < 0.09 and aspect > 1.8 and bh < line_height*1.8:  # 单行文字，丢弃
            continue
        cand.append([x, y, x+bw, y+bh])
    # 照片块
    n, _, stats, _ = cv2.connectedComponentsWithStats(photo, 8)
    for s in stats[1:]:
        x,y,bw,bh,a = s[:cv2.CC_STAT_AREA+1]
        if a < page_area*0.002 or bw/bh > 6 or a > page_area*0.30 or bh > h*0.45 or (a/(bw*bh)) < 0.12:
            continue
        cand.append([x, y, x+bw, y+bh])
    return merge_boxes(cand, h, w, page_area, line_height)

合并与最终过滤（merge_boxes）：

def merge_boxes(cand, h, w, page_area, line_height):
    merge_gap   = int(min(h,w)*0.018)   # 近邻直接并
    fig_gap     = int(min(h,w)*0.065)   # 同图元素间距上限
    cand.sort(key=lambda b:(b[1], b[0]))
    merged = []
    for b in cand:
        hit = None
        for m in merged:
            # 行重叠足够 + 纵向间距小 → 并
            ov = min(b[2],m[2]) - max(b[0],m[0])
            if ov > 0.40*min(b[2]-b[0], m[2]-m[0]) and b[1]-m[3] < fig_gap:
                hit = m; break
            if b[1] <= m[3]+merge_gap and b[0] < m[2] and b[2] > m[0]:
                hit = m; break
        if hit:
            hit[0]=min(hit[0],b[0]); hit[1]=min(hit[1],b[1])
            hit[2]=max(hit[2],b[2]); hit[3]=max(hit[3],b[3])
        else:
            merged.append(b[:])
    # 最终过滤
    out = []
    for (x1,y1,x2,y2) in merged:
        bw, bh = x2-x1, y2-y1
        if bw*bh < page_area*0.55:                    # 太小
            continue
        if bw/bh > 5.5:                               # 太扁（多为分隔线/页眉）
            continue
        if bw/bh > 2.2 and bh < line_height*1.5:      # 宽而矮 → 正文行带，丢
            continue
        out.append([x1,y1,x2,y2])
    return out

裁剪时按页边距裁掉装订/扫描黑边，再用 imwrite_cn 存盘：

mt, mb, ml = int(h*0.050), int(h*0.030), int(w*0.025)
for idx, (x1,y1,x2,y2) in enumerate(figs, 1):
    x1=max(ml,x1); x2=min(w-ml,x2); y1=max(mt,y1); y2=min(h-mb,y2)
    crop = img[y1:y2, x1:x2]
    imwrite_cn(f"figures/page_{page:04d}_fig_{idx:03d}.png", crop)
    page_json["figures"].append({"path": f"figures/page_{page:04d}_fig_{idx:03d}.png",
                                 "bbox":[x1,y1,x2,y2], "caption": extract_caption(text)})

调参口诀（recall ↔ precision）

• 漏照片（如某页整页照片被当成大文本块丢弃）：放宽面积上限 page_area*0.30、高度上限 bh>h*0.45（本次 page 17 即此修）。照片掩膜阈值 inRange(gray,30,220) 偏保守，过曝/过暗照片可适当缩窗。
• 文本段落误判为图：收紧 fill（0.09→0.08）、加 text-block（aspect>1.4 and area>page_area*0.018）与 big-text（area>page_area*0.12 and bh>line_height*2.5）抑制；宽扁短带 bw/bh>2.2 and bh<line_height*1.5 直接丢。
• 整页被并成 1 个图：闭运算核从 35×35 降到 15×15、迭代 2；合并间距 fig_gap 不要过大。
• 跑完后统计每页裁切数 + bbox 面积占比，人工抽 5–10 页判召回/精度，再微调，不要盲调。

运行

cd E:/.../extracted
C:/Python312/python.exe crop_figures.py text.json figures --start 1 --end 310
# 输出：Done. Total crops: 703 / Pages with figures: 284

④ 目录重建（build_data.py 的 toc 部分）

目录页（如本书 pages 4–8）原文含「目录/Contents」页眉与 OCR 错乱页码。解析为结构化、可跳转的 TOC：

TOC_PAGES = [4,5,6,7,8]
GARBAGE = set("V￥N√《入X八九十了人体")   # 页码前的 OCR 噪声字符

def clean_page(tok):
    s = tok.strip()
    if s and not s[0].isdigit() and s[0] in GARBAGE: s = s[1:]
    m = re.search(r"(\d+)\s*$", s)
    return int(m.group(1)) % 1000 if m else None   # 去多余前导1（1127→127）

# 跳转目标：优先精准名称匹配内容方法；否则「印刷页码 + 偏移」回退
name2page = {m["name"]: m["page"] for m in methods}   # 方法检测已排除目录页
offset = chap_by_num.get(1, 9) - 1                    # 第一章正文≈印刷页1

# 章节范围校验：把 OCR 错位的页码拉回合理区间（142→42、470→70）
def clean_page_label(num, cnum):
    lo = chap_by_num.get(cnum,1)-offset-4
    hi = chap_next.get(cnum, TOTAL)-offset+4
    while num > hi and num >= 100: num = int(str(num)[1:])
    return num

要点：
- 方法检测时排除目录页本身，否则会把目录条目误判为书中方法（侧栏「记忆法」会脏）。
- 页码校正：剥离噪声符 → 按所在章节的页码范围把越界数字「去掉首位数」拉回（如 142→42、470→70、124→24）。
- 跳转目标：条目名与内容方法精确匹配最佳；描述性条目（如「衡量记忆力好坏的标准」）用 印刷页码 + offset 估算，落在该章正确区间即可。

运行页眉分章（混排型 / 无目录页时也适用）

满版扫描书常在每页顶部印「第N章 标题」运行页眉，且相邻页重复。据此分章：

import re
pat = re.compile(r'第([一二三四五六七八九十百零\d]+)章')
CN = {'一':1,'二':2,'三':3,'四':4,'五':5,'六':6,'七':7,'八':8,'九':9,'十':10,'百':100,'零':0}
def cn2int(s):
    # 简版：处理「十/十一/二十一」等；数字直接 int
    if s.isdigit(): return int(s)
    n=0,unit=0;  # 完整实现见脚本
    ...

runs = []                 # (label, start_page, run_len)
cur=None; cnt=0
for pg in pages:
    m = pat.search(pg["text"] or "")
    lab = m.group(0) if m else None
    if lab == cur: cnt += 1
    else:
        if cur is not None: runs.append((cur, start, cnt))
        cur, start, cnt = lab, pg["page"], 1
if cur is not None: runs.append((cur, start, cnt))

# 只把「连续出现≥2页」的标签认定为章节起始，单页闪现的 OCR 错识标签自动忽略
chapters = [{"label": l, "first_page": s} for (l, s, c) in runs if c >= 2 and l]

> 经验：某页页眉被错识成「第5章」而前后页都是「第1章」时，该标签只出现 1 页，c>=2 直接滤掉，不会污染目录。

⑤ 阅读站（continuous-scroll reader）

index.html + styles.css + app.js + data.js，纯前端、零构建、可 file:// 直接打开。

核心：splitParagraphs 把 OCR 物理行合并为自然段落（顺带修掉「难/度」「深/入」这类被扫描行断开的词），并首行缩进。

var TERM = /[。！？!?；;：:“””]$/;
function splitParagraphs(text) {
  if (!text || !text.trim()) return [];
  var lines = text.split(/\r?\n/), paras = [], cur = [];
  for (var i = 0; i < lines.length; i++) {
    var line = lines[i].trim();
    if (line === "") { if (cur.length) { paras.push(cur.join("")); cur = []; } continue; }
    cur.push(line);
    if (TERM.test(line) && i < lines.length - 1) { paras.push(cur.join("")); cur = []; }
  }
  if (cur.length) paras.push(cur.join(""));
  return paras.filter(function (p) { return p.trim(); });
}

阅读站功能：
- 连续滚动：一次 DocumentFragment 建完全书 DOM（约数百段 + 8 图），无逐屏虚拟化、无 scroll 重计算，避免卡顿。
- 跳转：目录/方法/关键词点击 → el.scrollIntoView。目录条目（.toc-item / .toc-chap-head）带 data-target；关键词搜索列页码+上下文片段。
- 目录重排：pages 4–8 渲染为正式目录（章标题 + 「方法名 … 页码 描述」可点行），其余目录页作「（目录·续）」占位。
- 阅读进度：IntersectionObserver 进视口即记 readSet；顶栏进度条 + 目录/方法前 ✓；localStorage 持久化（STORE_KEY 随大改升版本，避免旧页码串味）；刷新自动恢复到上次位置。
- 插图：loading="lazy" 懒加载；顶栏「隐藏插图」全局开关（.no-image）。
- 章标题：章起始页渲染 第N章 … 大标题（h2.chapter-head），并打 chap-N 锚点。
- 裁切图（混排型）：figures 非空时在段落末插 <figure> 缩略图灯箱，呼应 ⑥。

⑦ 静态对照校对网页（零后端）

用途：人眼逐页校对——左看原扫描页、右读 OCR 文本、下看 ⑥ 裁出的图，发现错字/漏字/图漏裁可在页面标记，结果存 localStorage（可选回写 JSON）。

为什么不用服务端：纯静态 file:// 直接双击打开，无需起服务、无跨域。数据用 <script type="application/json" id="bookdata">…</script> 内嵌（与 data.js 同理，规避 file:// 的 fetch 跨域）。

生成器（build_proof_html.py）要点：

import json
data = json.load(open("text.json", encoding="utf-8"))
raw = json.dumps(data, ensure_ascii=False)
raw = raw.replace("</", "<\\/")          # 防 </script> 截断
html = """<!doctype html><html lang="zh"><head><meta charset="utf-8">
<title>校对 · {title}</title><style>{css}</style></head><body>
<header>…翻页/跳页/搜索…</header>
<main>
  <section id="scan"><img id="pageimg" loading="lazy"></section>
  <section id="text"><pre id="pagetext"></pre></section>
  <section id="figs"></section>
</main>
<script type="application/json" id="bookdata">{data}</script>
<script>{appjs}</script></body></html>""".format(title=..., css=CSS, data=raw, appjs=APPJS)
open("proofreader.html", "w", encoding="utf-8").write(html)

• HTML 放在 extracted/ 内，相对路径 images/... 与 figures/... 才能直接解析。
• 渲染单页：images[0] 作满版对照图，figures 渲染为缩略图画廊（点击放大）。
• 导航：上一页/下一页/页码跳转；← → 键盘翻页；顶部「章节」下拉（用 ④ 的运行页眉分章结果）。
• 搜索：在 OCR 文本里搜词 → 跳到首个命中页并高亮。
• 标记问题：每页「✓ 已校 / ⚠ 有问题」按钮，备注写 localStorage[page]，顶栏汇总「已校 X/310，标记 Y」；可一键导出标记页清单（CSV/JSON）。
• 回写（可选）：导出的标记清单交给 correct_and_restructure.py 或人工在 text.json 上改。

> 本次《储能》对话未生成该 HTML（裁剪已完成，703 图 / 284 页有图），生成器脚本即上方模板，按需 python build_proof_html.py 即可产出 proofreader.html。

写规则的四条铁律（金科玉律，适用于 ② 与可选校对器）

1. 用足够长的上下文，别用单字

单字替换会误伤。("症疾","疟疾") 会把「重症疾病」改坏。加长上下文或用负向断言：

text = re.sub(r'(?<!重)症\s*疾', '疟疾', text)   # 排除「重症疾病」
text = re.sub(r'(?<!胃)肠痛', '肠痈', text)      # 排除穴位「胃肠痛」

2. 加规则前先查原始 text

曾写 ("支气管哮","支气管哮喘")，但原文本来就是「支气管哮喘」，规则又补「喘」，全书 16 处变成「支气管哮喘喘」。下手前先确认原文缺没缺字：

python scripts/scan_tokens.py book.json 支气管哮 --field text

3. 缺字和语序错乱，用「整句重建」

规则引擎搞不定单字插入，但可以整片替换。把缺字/乱序片段连同确定上下文一起换掉：

("饮是湿温证候", "小便黄赤为湿热证候。"),
("应考虑疾", "应考虑痢疾"),
("人参、桃各2钱", "人参、桃仁各2钱"),

4. 垃圾行直接置空

OCR 在插图、页眉页脚常吐无意义字串，映射到空串：

("贝量生未都曼业", ""), ("人第治业事斯黄义克会山命病主会普", ""),

排版核心：硬换行 reflow

OCR 按扫描行硬换行，直接渲染完全没法读。两种合并策略：

• 校对器（精确，满行判定）：扫描行排满才换行，只有明显短于满行且以句末标点收尾的，才是段末。取本页行长 80 分位数为「满行宽度」：

javascript const lens = raw.map(l=>l.trim().length).filter(n=>n>0).sort((a,b)=>a-b); const fullW = lens.length ? lens[Math.floor(lens.length*0.8)] : 24; const FULL_T = Math.max(11, fullW - 3); if (END_PUNCT.test(buf) && !OPEN_TAIL.test(buf) && prevLen < FULL_T) flush();

• 阅读站（轻量，句末标点）：本次对话用 splitParagraphs（见上），按句末标点切段，足够流畅且代码极简；对「难/度」类断词一并修复。若书有长条目/标题行，需保护结构（条目行 （1） 1. ① 【按】、标题行 第三章 〔治疗〕）独立成块。

验证陷阱：假阳性（永远看上下文）

扫描「残留坏词」时大部分报警是假的——替换后的正确长串仍包含原坏词作子串：

所以永远不要只看命中数，必须看上下文。scan_tokens.py 默认输出前后 20 字上下文。判定顺序：看上下文 → 确认是正确长串子串 → 标假阳性放过；只有孤立出现的才是真漏改。

⑥⑦ 交付前检查

# 页数完好、插图/裁切路径解析、图表数合理
python -c "
import json, os
d=json.load(open('text.json',encoding='utf-8'))
pages={p['page']:p for p in d['pages']}
print('pages:', len(d['pages']))
miss_img=[p['page'] for p in d['pages'] if p.get('images') and not os.path.exists(p['images'][0])]
miss_fig=[f['path'] for p in d['pages'] for f in p.get('figures',[]) if not os.path.exists(f['path'])]
tot_fig=sum(len(p.get('figures',[])) for p in d['pages'])
print('满版扫描缺失:', miss_img[:5], '...共', len(miss_img))
print('裁切图缺失:', len(miss_fig), '| 总裁切数:', tot_fig)
# bbox 合理性抽检
bad=[(p['page'],f['bbox']) for p in d['pages'] for f in p.get('figures',[]) if not all(isinstance(v,int) and v>=0 for v in f['bbox'])]
print('bbox 异常:', bad[:5])
"

阅读站另查：data.js 解析无误、images/ 仅留真实插图、进度键版本正确、本地服务 curl 全资源 200。校对网页另查：双击 proofreader.html 能开、翻页图片 200、标记可存 localStorage。

参考

• references/pitfalls.md —— 踩过的坑与判定方法详解（v1）
• references/reader-app.md —— 校对器架构、API、前端结构说明（v1）
• 本次对话产物示例（混排型 + ⑥⑦）：《储能原理与技术》E:\学习\explore\技能\储能原理与技术\extracted\（含 text.json / images/ / figures/ 703 张 / figures_manifest.json）
• 早期示例（图文分页型 + ⑤）：《88个最高效记忆方法》E:\学习\explore\技能\清华北大状元告诉你的88个最高效记忆方法 谭兴茂 北京理工大学 扫描版_提取\（含 text.json / data.js / index.html / app.js / corrections_log.json / images/）

脚本清单